KI-gestützter Recherche-Agent

Was dieser Artikel über Recherche-Agenten behandelt

• Was ein Recherche-Agent ist und wofür er sich eignet.
• Wie man einen Recherche-Agenten lokal aufbaut.
• Welche Schritte eine Recherche umfasst.
• Wie man Quellen bewertet und zusammenfasst.
• Tools, Workflows und typische Stolpersteine.

Einleitung: KI-gestützter Recherche-Agent

Ein Recherche-Agent ist ein KI-gestütztes System, das eigenständig Informationen zu einem Thema sammelt, Quellen bewertet und die wichtigsten Erkenntnisse zusammenfasst. Er unterscheidet sich von einer einfachen Websuche, weil er mehrere Quellen kombiniert, Inhalte strukturiert und gezielt auf eine Fragestellung eingeht. Lokal betrieben bleiben alle Suchanfragen und Zwischenergebnisse im eigenen Netzwerk.

Solche Agenten eignen sich für Marktanalysen, Literaturrecherchen, Technologie-Scouting, journalistische Recherchen oder die Vorbereitung von Fachartikeln. Wer einen Recherche-Agenten richtig aufbaut, spart viele Stunden manuelles Suchen und Lesen.

Was ist ein Recherche-Agent?

Ein Recherche-Agent besteht aus mehreren Komponenten:

• Planung: Er bricht die Fragestellung in Teilaufgaben herunter.
• Suche: Er sucht gezielt nach relevanten Quellen.
• Bewertung: Er prüft Quellen auf Relevanz und Vertrauenswürdigkeit.
• Extraktion: Er zieht die wichtigsten Informationen heraus.
• Synthese: Er fasst Erkenntisse zusammen und erkennt Widersprüche.
• Ausgabe: Er liefert ein strukturiertes Ergebnis mit Quellenangaben.

Wichtige Begriffe

• Agent: Selbstständig arbeitendes KI-System.
• Recherche-Workflow: Abfolge von Planung, Suche und Analyse.
• Such-API: Programmierbarer Zugriff auf Suchmaschinen oder Datenbanken.
• Scraping: Automatisches Auslesen von Webseiten.
• Chunking: Aufteilung von Texten in verarbeitbare Abschnitte.
• RAG: Retrieval-Augmented Generation.
• Grounding: Rückführung von Aussagen auf Quellen.

Warum einen lokalen Recherche-Agenten nutzen?

• Kontrolle: Entscheidung darüber, welche Suchmaschinen und Datenbanken genutzt werden.
• Datenschutz: Keine Weitergabe der Recherchefragen an externe Dienste.
• Wiederholbarkeit: Workflows lassen sich speichern und erneut ausführen.
• Tiefenrecherche: Mehrere Iterationen und Quellenvergleiche.
• Automatisierung: Ergebnisse werden direkt in Dokumente oder Wissensdatenbanken übernommen.

Aufbau eines Recherche-Agenten

1. Fragestellung präzisieren

Eine gute Recherche beginnt mit einer klaren Frage. Beispiele:

• “Welche lokalen KI-Assistenten für Teams gibt es 2026?”
• “Wie sicher sind LLM-basierte Authentifizierungsverfahren?”
• “Welche Hardware wird für 70B-Modelle empfohlen?”

Je konkreter die Frage, desto besser die Ergebnisse.

2. Suchstrategie festlegen

Mögliche Quellen:

• Öffentliche Suchmaschinen über APIs.
• Fachdatenbanken und Archive.
• Eigene Dokumente und Wissensdatenbanken.
• News-Feeds und RSS.
• GitHub und Open-Source-Projekte.
• Foren und Community-Quellen.

3. Suche durchführen

Der Agent sendet Suchanfragen, sammelt Treffer und speichert Metadaten. Dabei sollte er:

• Mehrere Suchbegriffe probieren.
• Ergebnisse auf Duplikate prüfen.
• Domains und Publikationsdaten speichern.
• Nur zugängliche Inhalte herunterladen.

4. Inhalte extrahieren

Für jede Quelle wird der Inhalt ausgelesen und bereinigt:

• HTML in Text umwandeln.
• Werbung und Navigation entfernen.
• Hauptinhalt identifizieren.
• Lange Dokumente in Chunks teilen.

5. Relevanz und Qualität bewerten

Der Agent prüft, ob eine Quelle zur Frage passt:

• Enthält sie Antworten auf die Teilfragen?
• Ist sie aktuell und vertrauenswürdig?
• Gibt es Widersprüche zu anderen Quellen?
• Wer hat den Inhalt veröffentlicht?

6. Synthese und Zusammenfassung

Ein Sprachmodell fasst die relevanten Informationen zusammen. Dabei sollte es:

• Unterschiedliche Positionen darstellen.
• Unsicherheiten kenntlich machen.
• Quellen zu jeder Aussage angeben.
• Einen roten Faden erkennen.

7. Ausgabe formatieren

Das Ergebnis kann als Markdown, JSON oder Bericht ausgegeben werden. Wichtig sind:

• Einführung mit Forschungsfrage.
• Hauptbefunde strukturiert nach Themen.
• Widersprüche und Einschränkungen.
• Vollständige Quellenliste.

Tools für lokale Recherche-Agenten

• SearXNG: Selbstgehostete Meta-Suchmaschine.
• DuckDuckGo API oder Serper: Programmierbare Websuche.
• Jina AI Reader oder Firecrawl: Webseiten in Markdown umwandeln.
• Trafilatura: Textextraktion aus HTML.
• LangChain und LlamaIndex: Agenten- und RAG-Frameworks.
• n8n: Workflows für wiederkehrende Recherchen.
• Ollama: Lokale Sprachmodelle.

Beispiel-Workflow mit SearXNG und Ollama

# SearXNG lokal installieren
docker run -d --name searxng -p 8080:8080 searxng/searxng

# Recherche-Abfrage
python research_agent.py --topic "lokale KI-Agenten 2026" --depth 3

Der Agent sendet Anfragen an SearXNG, lädt die besten Treffer, extrahiert Text, bewertet Chunks mit einem Embedding-Modell und erzeugt eine Zusammenfassung.

Typische Stolpersteine

• Zu viele Quellen: Der Agent verliert sich in irrelevanten Treffern.
• Schlechte Quellen: Unzuverlässige Seiten werden gleichgewichtet behandelt.
• Halluzinationen: Das Modell erfindet Quellen oder Fakten.
• Copy-Paste: Zusammenfassungen ohne eigene Struktur.
• Rechtliche Probleme: Automatisches Scraping kann gegen AGB verstoßen.
• Rate-Limits: Such-APIs begrenzen Anfragen.

Weiterführende Links und Infos

• BotServ.de Recherche
• BotServ.de Quellen auswerten
• BotServ.de Lokales RAG
• BotServ.de Internetrecherche mit KI

FAQ: KI-gestützter Recherche-Agent

Brauche ich eine Such-API? Nein. Eine selbstgehostete SearXNG-Instanz oder RSS-Feeds reichen für viele Anwendungen.

Wie verhindere ich Halluzinationen? Durch Quellenangaben, Chunk-basiertes RAG und manuelle Überprüfung wichtiger Aussagen.

Kann ich den Agenten automatisch laufen lassen? Ja, mit Cron, n8n oder einem eigenen Scheduler.

Ist automatisches Scraping erlaubt? Nicht immer. Robots.txt und Nutzungsbedingungen beachten, Favoring APIs.

Wie bewertet der Agent Quellenqualität? Durch Heuristiken wie Domain-Reputation, Aktualität, Autor und Übereinstimmung mit anderen Quellen.

Quellen und weiterführende Literatur

• SearXNG: https://github.com/searxng/searxng
• Trafilatura: https://trafilatura.readthedocs.io/
• LlamaIndex: https://www.llamaindex.ai/

Zusammenfassung: KI-gestützter Recherche-Agent

Ein lokaler Recherche-Agent automatisiert das Sammeln, Bewerten und Zusammenfassen von Informationen. Er besteht aus Planung, Suche, Extraktion, Bewertung und Synthese. Tools wie SearXNG, Trafilatura, LangChain und Ollama ermöglichen einen datenschutzkonformen Workflow. Wer Halluzinationen vermeiden will, setzt auf Quellenangaben, RAG und sorgfältige Qualitätsprüfung.